[논문 리뷰] A Ligand-and-structure Dual-driven Deep Learning Method for the Discovery of Highly Potent GnRH1R Antagonist to treat Uterine Diseases

Song Li, Ke Song외 6명|arXiv (Cornell University)|2022. 07. 23.

Ferrocene Chemistry and Applications인용 수 4

한 줄 요약

이 연구는 라이게이트와 단백질 구조 데이터를 통합한 이중 주도형 딥러닝 프레임워크인 LS-MolGen을 제안하며, 새로운 고활성 GnRH1R 항우울제를 생성한다. 이 방법은 하위 나노몰러 활성(IC50 = 0.856 nM)을 보이며, 우수한 약리동역학(PK) 특성을 지닌 화합물 5를 특정하여, 자궁질환 치료를 위한 탈모형 약물 설계에 있어 강력한 워크플로우를 입증한다.

ABSTRACT

Gonadotrophin-releasing hormone receptor (GnRH1R) is a promising therapeutic target for the treatment of uterine diseases. To date, several GnRH1R antagonists are available in clinical investigation without satisfying multiple property constraints. To fill this gap, we aim to develop a deep learning-based framework to facilitate the effective and efficient discovery of a new orally active small-molecule drug targeting GnRH1R with desirable properties. In the present work, a ligand-and-structure combined model, namely LS-MolGen, was firstly proposed for molecular generation by fully utilizing the information on the known active compounds and the structure of the target protein, which was demonstrated by its superior performance than ligand- or structure-based methods separately. Then, a in silico screening including activity prediction, ADMET evaluation, molecular docking and FEP calculation was conducted, where ~30,000 generated novel molecules were narrowed down to 8 for experimental synthesis and validation. In vitro and in vivo experiments showed that three of them exhibited potent inhibition activities (compound 5 IC50 = 0.856 nM, compound 6 IC50 = 0.901 nM, compound 7 IC50 = 2.54 nM) against GnRH1R, and compound 5 performed well in fundamental PK properties, such as half-life, oral bioavailability, and PPB, etc. We believed that the proposed ligand-and-structure combined molecular generative model and the whole computer-aided workflow can potentially be extended to similar tasks for de novo drug design or lead optimization.

연구 동기 및 목표

• 자궁질환 치료를 위한 경구 투여가 가능한 고활성 GnRH1R 항우울제의 부족을 해결하기 위해.
• 기존의 라이게이트 기반 또는 구조 기반 약물 설계의 한계를 극복하기 위해 분자 및 표적 단백질 정보를 통합함으로써.
• 최적화된 활성과 ADMET 프로파일을 지닌 새로운 소분자를 생성할 수 있는 생성형 딥러닝 모델을 개발하기 위해.
• 상위 후보자들의 인산화 스크리닝, 실험적 합성, 그리고 인 비트로/인 비보 평가를 통해 워크플로우를 검증하기 위해.

제안 방법

• 기존에 알려진 활성 라이게이트와 GnRH1R 표적 단백질의 3차원 구조를 동시에 인코딩하는 조건부 생성 모델인 LS-MolGen을 제안하였다.
• 분자 그래프(라이게이트 특성)와 AlphaFold2 또는 유사한 것에서 유도된 단백질 구조 임bedding을 조합하여 모델을 훈련함으로써 분자 생성을 유도하였다.
• 활동 예측, ADMET 프로파일링, 분자 도킹, 자유 에너지 변화(FEP) 계산을 통한 인 시알로 필터링을 적용하여 후보를 우선순위 정렬하였다.
• 가상 스크리닝을 위해 약 30,000개의 생성된 분자를 선별하였으며, 다중 매개변수 최적화 기반으로 8개의 실험적 합성에 적합한 후보로 축소하였다.
• 화학적 신규성과 약물 유사성을 보장하기 위해 그래프 신경망(GNNs)과 확산 기반 생성 기법을 사용하였다.
• 결합 친화도 예측을 정밀화하고 생물학적 시험에 적합한 고정확도 후보를 우선순위 정렬하기 위해 FEP 계산을 통합하였다.

실험 결과

연구 질문

• RQ1 라이게이트와 단백질 구조 데이터를 통합한 딥러닝 모델이 뛰어난 활성과 약물 유사성 특성을 지닌 새로운 GnRH1R 항우울제를 생성할 수 있는가?
• RQ2 라이게이트 중심 또는 구조 중심의 생성 모델과 비교할 때, 이중 주도형 모델은 GnRH1R에 대한 분자 설계에서 어떤 성능을 보이는가?
• RQ3 어느 생성된 화합물이 가장 높은 인 비트로 활성과 유리한 약리동역학 프로파일을 보이는가?
• RQ4 제안된 워크플로우는 하위 나노몰러 IC50 값과 양호한 경구 생체이용률을 지닌 리드 화합물을 신뢰성 있게 식별할 수 있는가?
• RQ5 FEP 및 ADMET 예측의 통합이 리드 식별 성공률에 얼마나 기여하는가?

주요 결과

• 화합물 5는 인 비트로 실험에서 GnRH1R에 대해 가장 높은 활성을 보이며 IC50가 0.856 nM이었다.
• 화합물 6는 IC50가 0.901 nM로, 여러 후보 중에서도 강력한 억제 활성을 확인하였다.
• 화합물 7은 IC50가 2.54 nM로, 화합물 5 및 6에 비해 약간 낮은 활성을 보이며 높은 활성을 유지하고 있음을 나타내었다.
• 화합물 5는 경구 투여에 적합한 반감기, 높은 경구 생체이용률, 그리고 중간 수준의 체내 단백질 결합(PPB)을 포함한 유리한 약리동역학 특성을 보였다.
• LS-MolGen 모델은 활성과 약물 유사성 측면에서 라이게이트 중심 또는 구조 중심 기준선보다 뛰어난 성능을 보였다.
• 통합된 인 시알 워크플로우는 30,000개의 생성된 분자를 안정적으로 8개의 합성 가능성이 높은 후보로 축소하였으며, 활성과 안전성 프로파일에 대해 높은 신뢰도를 확보하였다.